A Inteligência Artificial está influenciando um número crescente de produtos e serviços que usamos no dia a dia, e os automóveis de passageiros não são exceção. Quando a falha mecânica ocupa a quinta posição dentre as principais causas de acidentes declaradas pelos motoristas, de acordo com o Atlas da Acidentalidade no transporte Brasileiro 2020, os itens que protegem as nossas vidas tornam-se mais do que obrigatórios por lei. Eles passam a ser objeto de investigação constante por parte da indústria e indispensáveis à nossa segurança.
Com esse intuito, a Renault, empresa francesa responsável pela fabricação de veículos, implementou um sistema de Inteligência Artificial (IA) para investigar as ordens de serviço com maior probabilidade de apresentar problemas mecânicos no futuro. O processo de investigação acontece há muitos anos, de forma estatística. Mas, a 4KST, TechFin de eficiência financeira e Análise de Dados, desenvolveu um modelo preditivo de segurança único para a companhia, que permite otimizar as análises com ganho de escala e maior precisão nos resultados.
Como a tecnologia de Machine Learning da 4KST ajuda a Renault a identificar ameaças à segurança humana em seus carros?
A investigação ocorre a partir da aplicação de “Machine Learning” (ML) para a análise dos dados coletados. ML é uma área da ciência da computação que desenvolve algoritmos capazes de aprender com dados, e com o conhecimento construído, ele é capaz de fazer previsões (determinação ou predição) sobre alguma coisa no mundo.
Todos os dias, milhares de clientes vão até as concessionárias de todas as marcas para relatar algum problema que o carro está apresentando. Na Renault, é criada uma ordem de serviço detalhada que segue para análise. Nesta análise a empresa faz uma triagem de casos que possam colocar em risco a segurança do motorista e outros cidadãos. É na sequência desta etapa que a tecnologia 4KST entra na análise para “achar as agulhas no palheiro”. Dentre milhares de casos reportados por dia, a Inteligência Artificial é capaz de separar com maior assertividade do que a experiência humana, os casos com maior probabilidade de risco à segurança, dos com menor probabilidade.
Com estes resultados em mãos, a fabricante consegue priorizar sua lista de ações e atuar com maior agilidade nos itens que exigem maior atenção. Agindo para que a segurança seja sempre uma prioridade.
Mas e antes da 4KST? Como esse processo de análise das ordens de serviço funcionava na Renault?
Essa análise era realizada por um profissional. Além de ser um trabalho muito maçante, a taxa de erro era maior, já que muita coisa passava despercebida. Com a tecnologia de Machine Learning instaurada, a taxa de acertos aumentou muito. A taxa de Kolmogorov Smirnov (KS), por exemplo – que mede a capacidade do Modelo preditivo de separar os eventos bons dos ruins -, oferecida pela 4KST ficou em 82,25%. Para exemplificar, com apenas 10% das ordens de serviços indicadas pelo modelo como mais prováveis de causar risco à segurança, o profissional consegue encontrar 90% dos eventos que realmente são risco. Otimizou-se tanto a velocidade quanto a assertividade do profissional analisando as ordens.
A tarefa desempenhada pela tecnologia é complexa, entretanto, fundamental para melhorar a segurança dos veículos, já que a vida e a saúde dos motoristas sempre serão prioridade para a empresa.
